Python爬虫解析html：lxml的HtmlElement对象获取和设置inner html
2019獨角獸企業重金招聘Python工程師標準>>>
我在我的個人博客“猿人學網站”和公眾號“猿人學Python”上寫Python教程，有興趣的可以關注公眾號和網站。
Python的lxml是一個相當強悍的解析html、XML的模塊，最新版本支持的python版本從2.6到3.6，是寫爬蟲的必備利器。它基于C語言庫libxml2 和 libxslt，進行了Python范兒(Pythonic)的綁定，成為一個具有豐富特性又容易使用的Python模塊。雖然特性豐富，但是它在修改數節點時又缺少了些接口，比如本文講到的獲取 inner html 和 設置（修改）inner html功能。
解析網頁的html一般使用lxml.html模塊，步驟很簡單分三步走：
(1) 導入模塊：
import lxml.html
(2) 把html轉換為html document 樹，根節點就是<html>標簽：
doc = lxml.html.fromstring(html)
(3) 使用xpath查找要提取的節點：
nodes = doc.xpath('//div[@class, 'the']/div[@id, 'xpath']')
以上三步分成簡潔，實際使用中，可能要反復第三部，通過不同的xpath獲得不同的節點進行數據提取。
可以說，lxml解析（只讀模式）html的功能又強大又方便。但是，如果需要修改（寫模式）某些節點的html就有點困難了，它在這方面提供的API很少，只有修改節點tag屬性的API，比如修改節點的class，id，href等屬性是可以的。
那么如何操作節點的實際html字符串呢？
1. 獲取節點的inner html
那么，什么是inner html呢？首先，我們來看一段html代碼示例：
<div class=”text”>這是div<a href=”/node”>節點</a>內容</div>
對于div 這個html標簽節點，它的inner html就是:
這是div<a href=”/node”>節點</a>內容
即該標簽包含的所有內容；而包含div標簽在內的全部示例代碼就是div的outer html。
明白了inner html 和 outer html的概念，我們就著手獲取它們。
lxml.html.tostring(html_element) 接口的作用是把一個節點及其子節點形成的樹轉換成html，也就是該節點的outer html，由此我們來獲得inner html，并實現為以下函數：
def get_inner_html(node): html = lxml.html.tostring(node, encoding="utf8").decode('utf8') p_begin = html.find('>') + 1 p_end = html.rfind('<') return html[p_begin: p_end]2. 設置節點的inner html
設置inner html相較于獲取更復雜一些，我們還是以上面那段html代碼為例：
<div class=”text”>這是div<a href=”/node”>節點</a>內容</div>
假設我們要把它的inner html 改成如下字符串：
this is div<a href=”/node”>node</a>text
則操作步驟是：
把以上步驟寫出Python函數就是：
def set_inner_html(node, html):node.text = ''for child in node.getchildren():node.remove(child) 4 fragments = lxml.html.fragments_fromstring(html)if type(fragments[0]) == str:node.text = fragments.pop(0)node.extend(fragments)通過以上函數就可以成功把node里面的內容設置成想要的html內容，適合在動態修改網頁結構內容時使用。
轉載于:https://my.oschina.net/JUANererer/blog/3025003
總結
以上是生活随笔為你收集整理的Python爬虫解析html：lxml的HtmlElement对象获取和设置inner html的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Flutter RichText支持自定
- 下一篇： Jenkins部署Python项目实战